汽車業(yè)務(wù)失利后，蘋果決定加碼生成式AI，并將部分汽車部門的員工調(diào)到了AI部門。然而對(duì)待AI，蘋果似乎不如百度、訊飛、OpenAI、xAI等國(guó)內(nèi)外企業(yè)那么自信。

日前，蘋果研究員發(fā)布了一篇名為《理解大語(yǔ)言模型中數(shù)學(xué)推理局限性 》的論文，質(zhì)疑大語(yǔ)言模型的數(shù)學(xué)推理能力，甚至認(rèn)為大語(yǔ)言模型不具備真正的推理能力。

蘋果研究員在論文中舉了一個(gè)簡(jiǎn)單的例子，向大模型提出問(wèn)題“奧利弗周五摘了44個(gè)奇異果，周六摘了58個(gè)奇異果。周日，他摘的奇異果是周五的兩倍。奧利弗一共摘了多少個(gè)奇異果？”此時(shí)大語(yǔ)言模型都能正確計(jì)算出答案。

（圖源：豆包AI生成）

但當(dāng)研究人員為問(wèn)題增添了一句修飾語(yǔ)“周日，他摘的奇異果是周五的兩倍，其中5個(gè)比平均小”時(shí)，部分大模型就給出了錯(cuò)誤的答案，傾向于減掉這五個(gè)比較小的奇異果。

在大語(yǔ)言模型的使用過(guò)程中，小雷也遇到過(guò)大模型“抽風(fēng)”的情況，某個(gè)大語(yǔ)言模型甚至連最基礎(chǔ)的乘法都能算錯(cuò)。不過(guò)大語(yǔ)言模型一直在向前發(fā)展，許多曾經(jīng)常犯的錯(cuò)誤，都已被新技術(shù)解決。

蘋果研究員吐槽大語(yǔ)言模型數(shù)學(xué)推理能力不行，究竟是情況屬實(shí)，還是為自家AI技術(shù)落后找借口？實(shí)測(cè)過(guò)后，我們有了結(jié)論。

哪些大語(yǔ)言模型能回答蘋果的問(wèn)題？

本次大語(yǔ)言模型對(duì)比評(píng)測(cè)，小雷選擇了全球名氣較高的六款產(chǎn)品，包括：1、GPT-4o；2、訊飛星火大模型；3、豆包；4、Kimi；5、文心3.5五款大模型；6、GPT-4o mini。由于文心大模型4.0收費(fèi)，其他大語(yǔ)言模型則免費(fèi)（GPT-4o每日有免費(fèi)提問(wèn)次數(shù)），因此為了公平起見(jiàn)，小雷選擇了免費(fèi)的文心大模型3.5。

閑話不多說(shuō)，我們直接進(jìn)入測(cè)試階段。

一、奇異果問(wèn)題：文心完敗

第一輪測(cè)試的問(wèn)題，我們選擇了蘋果研究員提到的奇異果問(wèn)題（正確答案：190個(gè)）。站在人類的視角，奇異果的大小并不影響計(jì)算數(shù)量，但在大語(yǔ)言模型的視角中，情況卻發(fā)生了變化。

本輪測(cè)試中，五款大語(yǔ)言模型有四款通過(guò)了考驗(yàn)，其中豆包和Kimi特地提醒，奇異果的大小并不影響計(jì)算總數(shù)。GPT-4o雖然也正確計(jì)算出了總數(shù)，但可能是因?yàn)椤捌骄�”兩個(gè)字的翻譯問(wèn)題，還求出了三天平均每天摘取奇異果的數(shù)量。唯一沒(méi)有得出正確答案的大模型是文心大模型3.5，將五個(gè)體型小的奇異果排除，得到了摘取185個(gè)奇異果的錯(cuò)誤答案。

（圖源：GPT截圖）

（圖源：訊飛星火截圖）

（圖源：豆包截圖）

（圖源：Kimi截圖）

（圖源：文心一言截圖）

蘋果研究員的論文，提到了GPT-4o mini計(jì)算該問(wèn)題時(shí)出錯(cuò)，切換至該模型后，小雷又計(jì)算了一遍這道題，果不其然，GPT-4o mini也給出了錯(cuò)誤答案。

（圖源：GPT-4o mini截圖）

難道大語(yǔ)言模型計(jì)算數(shù)學(xué)題的準(zhǔn)確性，與其參數(shù)量呈正相關(guān)？GPT-4o mini屬于小模型，更追求低成本和快速響應(yīng)，參數(shù)量遠(yuǎn)不能與GPT-4o相比，在推理數(shù)學(xué)問(wèn)題時(shí)，參數(shù)量的差距導(dǎo)致GPT-4o與GPT-4o mini計(jì)算結(jié)果不同。

文心大模型同樣如此，盡管沒(méi)有官方數(shù)據(jù)，但4.0版本的推理成本相較于3.5版本預(yù)計(jì)提高了8-10倍，3.5版的參數(shù)量之小可想而知。

二、公交車問(wèn)題：文心完勝

本輪測(cè)試的題目是一道行測(cè)數(shù)學(xué)題，具體內(nèi)容為：

由于國(guó)慶節(jié)的到來(lái)，某旅游城市的游客數(shù)量大幅上漲，公交公司決定簡(jiǎn)化公交車的線路，縮短單程時(shí)間。現(xiàn)有1、2、3路公交車，于上午7點(diǎn)同時(shí)從車站發(fā)車，三輛公交車再次回到車站所用時(shí)間分別為30分鐘、45分鐘、60分鐘。這三輛公交車中間不休息，請(qǐng)問(wèn)第二次它們同時(shí)到達(dá)車站將是幾點(diǎn)？（正確答案：13點(diǎn)）

這輪測(cè)試所得出的結(jié)果，讓小雷驚掉了下巴。在測(cè)試中，小雷連續(xù)測(cè)試四款大模型，結(jié)果全部計(jì)算錯(cuò)誤，當(dāng)時(shí)唯一沒(méi)有出錯(cuò)的大語(yǔ)言模型就是文心3.5。

鑒于文心3.5在第一輪的表現(xiàn)，小雷沒(méi)有對(duì)文心3.5抱有任何期待，但我不看好它的時(shí)候，文心3.5偏偏就爭(zhēng)氣了，并成為唯一解出正確答案的大語(yǔ)言模型。后續(xù)小模型GPT-4o mini在測(cè)試中，也沒(méi)能給出正確答案。

（圖源：GPT截圖）

（圖源：訊飛星火截圖）

（圖源：豆包截圖）

（圖源：Kimi截圖）

（圖源：文心一言截圖）

（圖源：GPT-4o mini截圖）

思來(lái)想去，小雷認(rèn)為唯一的解釋就是，百度作為國(guó)內(nèi)首屈一指的搜索引擎，對(duì)于中國(guó)人的語(yǔ)言與思維習(xí)慣更加了解，因而才能準(zhǔn)確理解“到達(dá)”這個(gè)詞的含義。其他大模型都將始發(fā)�？吭谄�車站當(dāng)做第一次到達(dá)車站，未能正確理解“到達(dá)”的含義。

相較于數(shù)學(xué)，本題對(duì)于中文理解能力的考驗(yàn)可能更高，但這幾款大語(yǔ)言模型的表現(xiàn)也從側(cè)面說(shuō)明，AI大模型對(duì)于人類邏輯的理解能力有待提升�？紤]到文心3.5的獲勝證明實(shí)力的同時(shí)，也有取巧的可能，因此小通還準(zhǔn)備了地獄級(jí)難度的第三輪測(cè)試。

三、運(yùn)動(dòng)員問(wèn)題：免費(fèi)版團(tuán)滅，付費(fèi)版正確

第三道題同樣是一道行測(cè)數(shù)學(xué)題，但與以上問(wèn)題不同的是，這道題沒(méi)有任何干擾信息，純粹考驗(yàn)大語(yǔ)言模型的計(jì)算能力。題目為：

某班有39名同學(xué)參加短跑、跳遠(yuǎn)、投擲三項(xiàng)體育比賽，人數(shù)分別為23人、18人、21人，其中三項(xiàng)比賽全部參加的有5人，僅參加跳遠(yuǎn)的有3人，僅參加投擲的有9人，請(qǐng)問(wèn)僅參加短跑的有多少人？（正確答案：9人）

遺憾的是，五款大模型與一款小模型在本輪測(cè)試中全部失敗，而且大語(yǔ)言模型給出的答案各不相同，解題思路也存在許多問(wèn)題。

（圖源：GPT截圖）

（圖源：訊飛星火截圖）

（圖源：豆包截圖）

（圖源：Kimi截圖）

（圖源：文心一言截圖）

（圖源：GPT-4o mini截圖）

最后，小雷只好使用付費(fèi)版的OpenAI o1-preview大模型進(jìn)行計(jì)算，結(jié)果不負(fù)眾望，給出了正確答案。

（圖源：GPT-4o o1-preview截圖）

同樣是OpenAI旗下的大模型，免費(fèi)版GPT-4o和付費(fèi)版o1-preview得出了不同答案，原因可能在于免費(fèi)用戶所能調(diào)用的資源更少，導(dǎo)致大模型計(jì)算能力不如付費(fèi)版。

參數(shù)決定性能，付費(fèi)升級(jí)體驗(yàn)

以上參與三輪測(cè)試的五款大模型和一款小模型中，表現(xiàn)最差的無(wú)疑是小模型GPT-4o mini，三輪測(cè)試中均給出了錯(cuò)誤答案。

我們可以得出以下結(jié)論：

1、小模型只配做大模型的平替？

GPT-4o mini的表現(xiàn)證明，當(dāng)需要處理難度較高的推理問(wèn)題時(shí)，小模型參數(shù)量少、資源少更容易出錯(cuò)。盡管百度、OpenAI、谷歌、微軟等企業(yè)都致力于研究小模型，但它們可能只是日常使用時(shí)回答基礎(chǔ)問(wèn)題“勉強(qiáng)能用”的平替版，畢竟成本可以大幅降低，這就跟企業(yè)雇傭一個(gè)小學(xué)生和一個(gè)博士生一樣，智力是一分錢一分貨。

據(jù)研究機(jī)構(gòu)Epoch AI計(jì)算，訓(xùn)練尖端大模型所需的算力，每隔6-10個(gè)月就會(huì)翻一倍。龐大的算力需求，給AI公司帶來(lái)了極高的經(jīng)濟(jì)壓力，哪怕是谷歌、微軟這種行業(yè)巨頭，也會(huì)倍感吃力。正因如此，小模型現(xiàn)階段雖表現(xiàn)遜色于大模型，但AI公司不會(huì)放棄開(kāi)發(fā)小模型，而是會(huì)通過(guò)長(zhǎng)時(shí)間的調(diào)校與打磨，不斷提升小模型的能力。

（圖源：豆包AI生成）

2、要得到相對(duì)更智能的AI服務(wù)？給錢吧。

幾款大模型的免費(fèi)版表現(xiàn)相差不大，能夠解決一些存在干擾條件的數(shù)學(xué)問(wèn)題，但遇到了文字可能存在歧義，或過(guò)于復(fù)雜的數(shù)學(xué)問(wèn)題，表現(xiàn)則相對(duì)較差。好在，面對(duì)雷科技設(shè)定的地獄級(jí)難題，付費(fèi)版的o1-preview大模型最終給出了正確答案，為大語(yǔ)言模型挽回了顏面，唯有付費(fèi)用戶才能體驗(yàn)到最好的大模型。

3、本土大模型有本土優(yōu)勢(shì)，百度們穩(wěn)了。

結(jié)合文心3.5能夠在第二項(xiàng)測(cè)試中力壓群雄可知，大語(yǔ)言模型依賴大量數(shù)據(jù)運(yùn)算，但每個(gè)國(guó)家或地區(qū)的數(shù)據(jù)量和獲取難易程度不同，因語(yǔ)言和生活習(xí)慣的差異，綜合表現(xiàn)更出色的大模型，未必能在特定場(chǎng)景中獲勝，大語(yǔ)言模型也需要本地化適配。

4、大模型距離人類智能還很遠(yuǎn)，不要輕信“忽悠”。

在資本驅(qū)動(dòng)下，很多媒體、自媒體、創(chuàng)業(yè)公司甚至企業(yè)家大佬都在鼓吹“AI威脅論”，甚至豪言AI水平已超越人類，他們往往會(huì)用一些個(gè)案來(lái)證明AI大模型已具備博士生甚至超越博士生水平。然而，當(dāng)我們找一些常見(jiàn)的數(shù)學(xué)題，抑或是一些常見(jiàn)的工作任務(wù)來(lái)“考考”大模型時(shí)，大模型也很容易被難住。

大模型以及AI當(dāng)然會(huì)有許多安全威脅，比如自動(dòng)駕駛汽車失控給城市交通乃至人類生命安全帶來(lái)的威脅。但要說(shuō)AI智力可以逼近人類甚至取代人類，那就純屬忽悠了。

大模型可能確實(shí)被高估了，但蘋果掉隊(duì)是事實(shí)

綜合來(lái)看，蘋果研究員的觀點(diǎn)對(duì)錯(cuò)參半，當(dāng)前AI的邏輯推理能力不足，面對(duì)復(fù)雜的數(shù)學(xué)問(wèn)題時(shí)，顯得有些力不從心，但AI并非完全沒(méi)有邏輯推理能力。哪怕是相對(duì)而言版本較為落后的文心3.5，在第二輪測(cè)試中也展現(xiàn)出了對(duì)文字和數(shù)學(xué)的解讀與推理能力。

第一代GPT發(fā)布于2018年，僅有1.17億參數(shù)，到了2020年，GPT-3已擁有1750億參數(shù)，到如今GPT的歷史不過(guò)短短6年，每一代的體驗(yàn)提升肉眼可見(jiàn)。

當(dāng)前大語(yǔ)言模型最大的問(wèn)題依然在于參數(shù)量太少、算力太低，資源相對(duì)豐富的o1-preview，面對(duì)其他大模型束手無(wú)策的數(shù)學(xué)難題時(shí)，依然給出了正確答案。隨著大模型不斷優(yōu)化、參數(shù)量增加、算力提升，大語(yǔ)言模型的推理能力自然會(huì)水漲船高。

進(jìn)軍新能源汽車時(shí)，蘋果血虧百億美元最終放棄，如今進(jìn)入生成式AI領(lǐng)域，蘋果研究員又站出來(lái)貶低大語(yǔ)言模型，不禁令人懷疑蘋果的生成式AI項(xiàng)目進(jìn)展不順利。對(duì)于蘋果而言，與其貶低其他AI大模型，不如增加AI研發(fā)投入，加速布局生成式AI，畢竟AI的燒錢能力更甚于新能源汽車。

若失去了研發(fā)和布局生成式AI最好的機(jī)會(huì)，等到OpenAI、谷歌、微軟、xAI等企業(yè)的AI大模型瓜分了海外市場(chǎng)，百度、訊飛、阿里巴巴、抖音等企業(yè)的AI大模型占領(lǐng)了國(guó)內(nèi)市場(chǎng)，蘋果生成式AI業(yè)務(wù)有可能淪為與新能源汽車業(yè)務(wù)相同的結(jié)局。

本文圖片來(lái)自：123RF 正版圖庫(kù)       來(lái)源：雷科技

       原文標(biāo)題 : 蘋果研究員質(zhì)疑大模型！我們測(cè)試了6款，發(fā)現(xiàn)了4大真相